把视频里的歌声保存成音频，是很多用户在听现场返场、翻唱片段、MV 或直播回放时的共同需求：有人想存一段副歌当手机铃声，有人要把音轨丢进剪辑软件再做卡点，也有人只想留一份纯音频反复听。搜索「歌声提取成音频」时，结果里往往混着「视频转 MP3」「AI 去伴奏」「人声分离」几套说法，容易让人误以为它们是同一件事。本文按「先判断需求、再选对工具」的顺序，讲清整轨抽取与干声分离的区别、各自的操作步骤，以及每种工具真实的能力边界，帮你少走弯路、避免在错误的导出参数上反复尝试。
先分清需求：要整首歌的音频，还是要纯人声与伴奏
动手之前，请先用半分钟确认目标，这一步决定了后面该走哪条路线。歌声提取在技术上分成两个完全不同的层级，混为一谈是新手最常见的误区。
整轨类：要整首歌的音频（整轨 mp3）。你想要的是「和视频里听到的一模一样」的声音——歌声、伴奏、掌声、混响原样保留，只是把它从视频容器里单独拿出来存成 mp3 或 wav。存铃声、做听稿、把音轨导进编曲软件继续处理，都属于这一类。这类需求用抽轨工具即可完成，剪映导出音频、提词匠小程序的「视频转 MP3」都能做到。
分离类：只要人声或只要伴奏（干声分离）。比如一段翻唱里人声和背景音乐已经混成一条音轨，你想单独拿到干净的人声去做二次创作，或者只要伴奏做卡拉 OK。这类需求属于「人声分离」范畴，普通的转 mp3 去不掉伴奏，必须交给专门的分离工具用模型去拆分音轨。
判断口径很简单：能接受背景音乐、环境声都在，就走整轨抽取；一定要把人声和伴奏拆开，才需要分离工具。如果你只是要整首歌的音频，直接看下面两个整轨方案就够，不必在分离工具上折腾。
方案一：剪映时间线导出整轨音频
当素材还要裁片头、掐副歌起止，或者你本来就在剪映里剪片子，直接在时间线上导出音频最顺手。剪映导出的是整轨音频，不会去伴奏，适合「要裁一段再导出」的场景。如果不需要裁剪、人也不在电脑前，同样的整轨导出用下面的提词匠会更快落地。
步骤 1：新建项目并导入视频。打开剪映，点「开始创作」，把本地录屏或 MV 片段拖进媒体库，再拖到主时间线。若只要某一段副歌，先用分割工具裁掉入点和出点，避免导出文件带着多余的前后空白。
步骤 2：分离音视频（按需）。选中片段后使用「分离音频」，时间线会出现独立的音频轨，方便你单独裁剪、静音或删除某一段。若只是整轨导出、不动画面，这一步可以跳过。
步骤 3：导出为音频格式。点右上角「导出」，在格式里选「音频」而不是默认的视频。比特率按用途调整：铃声、听稿选 128kbps 通常够用；要进编曲软件再处理，可选 192kbps 或更高。确认保存路径后执行导出。
步骤 4：试听检查。导出完成后用系统播放器听一遍首尾，确认没有截断、没有误选静音段。请记住这一步得到的是整轨音频，歌声和伴奏仍在同一条轨里。
方案二：提词匠小程序整轨转 MP3
如果人不在电脑前，或只有一两段素材、不值得专门开剪映，可以用提词匠小程序里的「视频转 MP3」做整轨转码。它的定位是手机端的旁路工具：上传本地视频，云端转码，导出 mp3，全程不用装客户端。
使用前请先了解它真实的能力边界，避免预期错位：需要联网；按次计费（约 2 积分一次，实际以页面显示为准）；只支持上传本地视频，不是粘贴链接解析；产出为整轨 mp3，不做 AI 人声分离，也不提取伴奏。把演唱会录屏传进去，得到的音频里歌声和现场伴奏仍在同一条轨上——这是它的设计定位，不是功能缺陷。需要干声时，请先用它或剪映拿到整轨，再交给下文的分离工具。
步骤 1：从首页进入功能入口。在小程序首页的「常用工具」里找到「视频转 MP3」，点进去先查看支持的格式与文件大小限制。
步骤 2：选择本地视频。点上传，从相册或文件管理器里选中 mp4 等文件。这一步是选文件，不是处理界面；如果找不到文件，检查一下相册或存储权限。
步骤 3：等待转换进度。上传完成后会显示进度条，文件越大等待越久。建议保持网络稳定，避免长时间切后台导致中断。
步骤 4：在结果页保存 mp3。转换完成后进入结果页，可以先试听，再导出到手机本地，随后通过隔空投送或网盘传到电脑。建议转完顺手另存一份，别只留在小程序缓存里。
需要干声或伴奏分离时：第三方专项工具的通用流程
如果整轨 mp3 里仍混着伴奏，而你只要歌声或只要器乐，就得换用专门的 AI 人声分离工具。这类工具的输入通常是已经混好的音频（可以是上面剪映或提词匠导出的 mp3），由模型估计人声轨和伴奏轨再分别输出。下面以开源桌面工具 Ultimate Vocal Remover（UVR）为例说明通用流程，仅作客观示范，不代表推荐、也不是只能用它；在线分离服务、编曲软件插件的逻辑大同小异，都是「导入混音 → 选分离模型 → 导出多轨」。
通用流程大致是：
1. 准备输入：优先用高质量 mp3 或 wav，避免多次有损转码
2. 选择分离模型：多数工具提供「人声 / 伴奏」两轨模型
3. 执行分离：等待运算，输出 vocals（人声）与 instrumental（伴奏）
4. 试听微调：现场录音常有残留，必要时再降噪处理
需要说明的是，分离效果取决于模型、源素材录音质量和混音复杂度。现场大混响、观众喊声的素材，分离后常有残留或相位感，属于正常现象，不要指望「一键得到录音棚级干声」。这类工具处理的是已有混音，不吃「视频容器直出」，因此它替代不了上面的整轨抽取，两者是接力关系而非二选一。
三种路线对照
使用边界与版权提醒
从视频里提取歌声涉及著作权与邻接权。个人学习、私人备份、练耳在合理范围内风险通常较低，但把提取出的音频公开传播、商用或二次发行（上传平台、做铃声售卖、未授权二次创作发布等）可能构成侵权。演唱会官方录播、MV、他人翻唱作品，即使是你自己录屏得到，也不当然等于你拥有可自由使用的权利。建议只处理自有版权或已获授权的素材，并在发布前查清目标平台对「纯音频搬运」的规则。还要提醒一句，无论音频是用剪映还是提词匠抽出来的，版权归属都不会因为「抽取」这个动作而改变，可用范围仍以原素材授权为准。
结论与推荐组合
把整篇的判断收成一句：先问自己要整轨还是要干声。要整轨且需要裁剪，用剪映在时间线里导出；人在手机上、只要快速拿一段 mp3，用提词匠整轨转码；确实要把人声和伴奏拆开，再单开一个分离工具处理导出的音频。日常我们更常用的组合是提词匠负责手机端整轨抽取、剪映负责需要裁切时的导出，两者都不做人声分离——分清边界再动手，比反复更换导出格式高效得多。
